Oracle AI Vector Search

La recherche de similarité est axée sur la recherche de données connexes en fonction de sa signification sémantique. Les données non structurées sont difficiles à trouver directement, de sorte que la recherche de similarité va au-delà des simples recherches par mot-clé en tenant compte des données sous-jacentes de texte, d'image, d'audio ou de vidéo au lieu de rechercher uniquement les étiquettes appliquées manuellement.

La nécessité d'identifier une correspondance pour des données similaires dans des jeux de données volumineux s'applique à de nombreux secteurs. Voici quelques exemples de recherche de similarité :

• Recherche sémantique de document
• Recherche sémantique d'images
• Systèmes de recommandation
• Reconnaissance des schémas
• Détection d'anomalies et de fraudes

1. Données non structurées telles que fichiers, documents, BLOBS ou CLOBS.
2. Utilisez des modèles d'intégration commerciaux ou open source pour créer des vecteurs à l'intérieur ou à l'extérieur d'Oracle Database.
3. Les vecteurs peuvent être stockés à côté des données d'entreprise de sorte que lorsque les données changent, les vecteurs changent également.
4. Vous pouvez rechercher les vecteurs les plus similaires.
5. La recherche renvoie les données les plus pertinentes pour vous.

La RAG utilise les résultats de la recherche de similarité pour améliorer la précision et la pertinence contextuelle des réponses de grands modèles de langage aux questions sur les données commerciales. La RAG permet d'identifier les données privées pertinentes pour le contexte sur lesquelles le LLM n'a peut-être pas été entraîné, puis l'utilise pour augmenter les invites utilisateur afin que les LLM puissent répondre avec plus de précision.

Le désir d'obtenir des réponses de meilleure qualité des LLM est universel, couvrant de nombreux secteurs. Voici quelques exemples d'utilisation de RAG pour améliorer la précision :

• Chatbots pour les utilisateurs internes et externes
• Recherches et résumés de documents
• Synthèse de code
• Réponses aux questions qui nécessitent des connaissances spécialisées et spécifiques au domaine

La RAG aide les entreprises à fournir des réponses personnalisées aux questions commerciales sans le coût élevé du réentraînement ou du fine-tuning des LLM.

1. Un chatbot permet de dialoguer avec un LLM.
2. Exécutez une recherche de similarité sur vos données d'entreprise privées et transmettez ces faits au LLM.
3. Les résultats sont formatés en tant qu'invite et contexte pour le LLM.
4. Le LLM reçoit des données actualisées, réduisant ainsi le risque d'hallucinations.
5. Des réponses de haute qualité sont renvoyées au chatbot.